CN113344285A - 一种测算异构混合起降机场容量的方法及装置 - Google Patents
一种测算异构混合起降机场容量的方法及装置 Download PDFInfo
- Publication number
- CN113344285A CN113344285A CN202110707461.2A CN202110707461A CN113344285A CN 113344285 A CN113344285 A CN 113344285A CN 202110707461 A CN202110707461 A CN 202110707461A CN 113344285 A CN113344285 A CN 113344285A
- Authority
- CN
- China
- Prior art keywords
- training
- aircraft
- time
- civil
- time interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种测算异构混合起降机场容量的方法与装置,属于机场容量控制技术领域。本发明从最优配置航空器起降时刻入手,采用遗传算法,针对包含有需要循环起降,且起降时刻调整区间较小的航空器混合起降的机场容量进行定量计算。通过设置优化目标和约束条件,确定遗传算法的各交叉算子、变异算子及选择算子,不断迭代取优,得到限定时间区间内,符合各项约束条件的异构混合起降机场最优容量。这克服了以往以不可用时间段或者容量损失比例的方式计算机场容量时,准确度不高的问题。
Description
技术领域
本发明涉及机场容量控制技术领域,特别是涉及一种测算异构混合起降机场容量的方法及装置。
背景技术
现有机场容量理论计算方法均针对的是纯民用机场,而没有考虑到异构混合起降机场中训练飞机对民航进离场航班的影响。不同性能和任务的飞行器在机场起降时,对跑道资源占用的要求差异很大,当它们需要同时在一个机场运行时,如何测算异构混合起降机场容量对准确安排它们的起飞、降落时刻非常重要。
训练飞机的数目和每架飞机的训练时长一般是规定好的,民航飞机在训练飞机的间隙进行进离场,为了提高飞机容量,配合民航飞机的进离场,训练时长可以在一定范围内进行缩短或者延长,尽量在提高机场容量的基础上,保证训练时间调整次数和幅度越小越好。这一点与普通的异构混合起降机场有很大的不同,导致目前针对普通异构混合机场容量的计算方法并不适用于有训练任务的机场。
目前训练飞机与民用飞机合用的机场越来越多,快速准确计算一定时间内训练飞机与民用飞机合用的机场的理论容量,是合理安排训练飞机的训练时间与民航航班起降时刻的基础,也为训练飞机与民用飞机合用的机场建设提供决策支持。
发明内容
有鉴于此,本发明提供的一种测算异构混合起降机场容量的方法与装置,主要目的在于解决现有普通机场容量计算方法未考虑到训练飞机对民用航班起降的影响的问题。该发明也可用于计算同类型的航空器执行不同任务时机场容量。
根据本发明一个方面,提供了一种测算异构混合起降机场容量的方法,该方法包括步骤:S101:获取限定时间区间内机场内训练飞机的训练时间、民航客机的起降时间;S102:设置优化目标:使得所述限定时间区间内民航客机的起降次数最多,同时训练飞机的训练时间的调整次数最少且调整范围最小;S103:设置约束条件,所述约束条件为所有训练飞机与民航客机在进场或离场时,其中任意两架飞机到达跑道入口的时间间隔需满足预先设置的给定范围;S104:采用遗传算法进行迭代,在达到所述优化目标的同时需满足所述约束条件,获取最优解为所述限定时间区间内机场容量。
作为本发明的进一步改进,所述优化目标设置为在所述限定时间区间内,同时满足条件:进离场民航客机数目最多:max f1=J+K;J为该限定时间区间内进场民航客机数量,K为该限定时间区间内离场民航客机数量;训练飞机的训练飞行时间调整次数最少:
TMK为一架训练飞机一次飞行训练时间,ti为第i次调整以后的训练飞机训练飞行时间,I为飞机场内正在训练的训练飞机数量;训练飞机的训练飞行时间调整范围最小:所述优化目标为maxf=f1-α1f1-α2f2。
作为本发明的进一步改进,所述遗传算法包括步骤:S1031,设置编码方法为实数编码,初始设进场民航客机、离场民航客机、训练飞机数均设定为N,可采用进场民航客机在跑道入口的时刻TAS、离场民航飞机在跑道入口的时刻TDS和训练飞机在跑道入口的时刻TMS的排成一个长度为3N的初始染色体组合序列来表示,按照从早到晚到达跑道入口的时刻顺序,所述初始染色体组合序列表示如下:
vn(·)=TMS (1)(1) … TAS (j)(n1) … TDS (k)(n2) …。S1032,设置适应度函数,将排序好的所述初始染色体组合序列vn,后一个时刻减去前一个时刻,得到一组时间间隔数组平均间隔时间:
根据所述优化目标,个体适应度为:feval(vn)=C-α1f1-α2f2;S1033,对所述初始染色体组合序列vn进行遗传操作,不断迭代直至预设终止迭代的代数maxgen,输出当前适应度最优值maxEval及其对应的染色体组合序列v*,以及在所述限定时间区间内机场容量CT为:
作为本发明的进一步改进,所述遗传操作包括:S10331设置交叉算子,对个体进行配对,随机生成要进行交叉的断点位置和区间范围,并进行交叉操作,交叉生成新个体;S10332设置变异算子,将每个变异点以变异概率Pm从原来的基因变为随机点,变异生成新个体;S10333设置选择算子,采用精英策略下的“截断+竞标赛”复合选择算子来进行优胜劣汰;S10334约束条件的处理,针对非法解,首先需要找到序列中不满足约束条件的时间,对它前后时间进行前移或者延后,使其满足安全的间隔;S10335最优值比较,maxEval为当前适应度最优值maxEval;若maxEval<max[feval(vk)],则v*=argmax[feval(vk)],则当前适应度最优值为:maxEval=max[feval(vk)];S10336循环结束判断,若迭代次数小于所述预设终止迭代的代数maxgen则返回步骤S10331;若若迭代次数大于等于所述预设终止迭代的代数maxgen,循环结束,输出所述当前适应度最优值maxEval及其对应的染色体组合序列v*,以及在所述限定时间区间内机场容量CT。
作为本发明的进一步改进,所述遗传算法的交叉算子设置为:在遗传进化前期,采用较大的固定交叉概率Pc,后期为加快收敛速度,交叉概率Pc按照如下公式进行自适应性调整:
其中k1,k2∈(0,1),即k1与k2取值为0到1之间的实数;avg(feval)为每代染色体组合序列的平均个体适应度值,feval为要交叉个体的个体适应度值。
作为本发明的进一步改进,所述遗传算法的变异算子设置为:在遗传进化前期,采用较大的固定变异概率Pm,后期为加快收敛速度,变异概率Pm按照如下公式进行自适应性调整:
其中k3,k4∈(0,1),avg(feval)为每代染色体组合序列的平均个体适应度值,feval为要变异个体的个体适应度值。
根据本发明另一个方面,提供了一种测算异构混合起降机场容量的装置,该装置包括:获取初始序列模块:被配置为获取限定时间区间内机场内训练飞机的训练时间、民航客机的起降时间;优化目标模块,被配置为设置优化目标:使得所述限定时间区间内民航客机的起降次数最多,同时训练飞机的训练时间的调整次数最少且调整范围最小;约束条件模块,被配置为设置约束条件:所有训练飞机与民航客机在进场或离场时,其中任意两架飞机到达跑道入口的时间间隔需满足预先设置的给定范围;遗传算法迭代模块,被配置为在达到所述优化目标的同时需满足所述约束条件,获取最优解为所述限定时间区间内机场容量。
作为本发明的进一步改进,所述优化目标设置为在所述限定时间区间内,同时满足条件:进离场民航客机数目最多:max f1=J+K;J为该限定时间区间内进场民航客机数量,K为该限定时间区间内离场民航客机数量;
训练飞机的训练飞行时间调整次数最少:
TMK为一架训练飞机一次飞行训练时间,ti为第i次调整以后的训练飞机训练飞行时间,I为飞机场内正在训练的训练飞机数量;训练飞机的训练飞行时间调整范围最小:
作为本发明的进一步改进,所述遗传算法迭代模块包括子模块:编码子模块:设置编码方法为实数编码,初始设进场民航客机、离场民航客机、训练飞机数均设定为N,可采用进场民航客机在跑道入口的时刻TAS、离场民航飞机在跑道入口的时刻TDS和训练飞机在跑道入口的时刻TMS的排成一个长度为3N的初始染色体组合序列来表示,按照从早到晚到达跑道入口的时刻顺序,所述初始染色体组合序列表示如下:
vn(·)=TMS (1)(1) …TAS (j)(n1) … TDS (k)(n2)…;设置适应度函数子模块:被配置为将排序好的所述初始染色体组合序列vn,后一个时刻减去前一个时刻,得到一组时间间隔数组平均间隔时间:
根据所述优化目标,个体适应度为:feval(vn)=C-α1f1-α2f2;遗传迭代子模块:被配置为对所述初始染色体组合序列vn进行遗传操作,不断迭代直至预设终止迭代的代数maxgen,输出当前适应度最优值maxEval及其对应的染色体组合序列v*,以及在所述限定时间区间内机场容量CT为:
籍由上述技术方案,本发明提供的有益效果如下:
(1)本发明通过遗传算法不断迭代对训练飞机训练飞行时间调整次数、调整范围以及民航起降架次之间进行平衡优化,使得在一定时间内,民航起降架次最多的同时,训练飞行时间调整次数和调整范围最小。
(2)在遗传进化前期,采用较大的固定交叉概率和较大的固定变异概率,后期进行自适应性调整,对于适应度值小于平均适应度值的变异个体,说明该个体性能较差,就对它采用较大的交叉和变异概率;对于适应度值大于平均适应度值的变异个体,说明该个体性能优良,就根据其适应度值取得相应的交叉和变异概率。既可以在前期保证进化速度,又有利于后期择优。
(3)采用精英策略下的“截断+竞标赛”复合选择算子来进行优胜劣汰,避免由于选择、变异、交叉的操作的随机性,破坏掉当前群体中适应度最好的个体的可能性,有利于增强遗传算法的效率、收敛性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种测算异构混合起降机场容量的方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
首先在对本发明的具体实施方式进行说明之前,先就一些概念进行解释:
遗传算法:是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律,是具有“生存+检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象,并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中,选择、交叉和变异构成了遗传算法的遗传操作;参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。作为一种新的全局优化搜索算法,遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点,在各个领域得到了广泛应用,取得了良好效果,并逐渐成为重要的智能算法之一。
本发明的目的是为了克服现有技术中的不足,提供了一种测算异构混合起降机场容量的方法,以解决现有技术中训练飞机和民用客机混合起降的飞机场无法有效估算限定时间内合理容量,使得各类飞机调度效率不高的问题。
本发明实施例提供一种军民合用机场容量计算方法,方法采用遗传算法,首先设置优化目标和约束条件,再根据优化目标和约束条件设置遗传算法的各交叉算子、变异算子及选择算子,最后通过遗传算法的不断迭代取优,得到限定时间区间内,符合各项约束条件的异构混合起降机场最优容量。
实施例1
首先对本实施例中的变量说明,如下表1。
表1变量说明
符号 | 说明 |
T<sub>MK</sub> | 场内训练飞机从跑道入口再次飞到跑道入口的正常时间 |
t<sub>i</sub> | 训练飞机第i次调整后的训练飞行时间 |
T<sub>MS</sub>(i) | 场内训练飞机第i架次飞到跑道入口的时刻 |
T<sub>AS</sub>(j) | 第j架进场民用飞机飞到跑道入口的时刻 |
T<sub>DS</sub>(k) | 第k架离场民用飞机到跑道入口准备离场的时刻 |
T<sub>AA</sub> | 进场民用飞机之间的最小时间间隔 |
T<sub>DD</sub> | 离场民用飞机之间的最小时间间隔 |
T<sub>MDq</sub> | 训练飞机在离场民用飞机之前,离场民用飞机与训练飞机之间的最小时间间隔 |
T<sub>MDh</sub> | 训练飞机在离场民用飞机之后,离场民用飞机与训练飞机之间的最小时间间隔 |
T<sub>MAq</sub> | 训练飞机在进场民用飞机之前,进场民用飞机与训练飞机之间的最小时间间隔 |
T<sub>MAh</sub> | 训练飞机在进场民用飞机之后,进场民用飞机与训练飞机之间的最小时间间隔 |
T<sub>ADq</sub> | 进场民用飞机在离场民用飞机之前,离场民用飞机与进场民用飞机之间的最小时间间隔 |
T<sub>ADh</sub> | 进场民用飞机在离场民用飞机之后,离场民用飞机与进场民用飞机之间的最小时间间隔 |
w | 进场航班与离场航班的比例 |
I | 场内训练飞机数目 |
J | 进场民用飞机数量 |
K | 离场民用飞机数量 |
α<sub>1</sub> | 训练飞机的训练飞行时间调整次数的权重 |
α<sub>2</sub> | 训练飞机的训练飞行时间调整范围的权重 |
P<sub>c</sub> | 交叉发生的概率 |
P<sub>m</sub> | 变异发生的概率 |
popsize | 种群大小 |
maxgen | 终止迭代的代数 |
图1示出了本发明实施例提供的一种测算异构混合起降机场容量的方法的流程图,如图1所示,包括如下步骤:
S101:获取限定时间区间内机场内训练飞机的训练时间、民用飞机的起降时间;
初始假设进场民用飞机(降落)、离场民用飞机(起飞)、训练飞机数均设定为N,可采用进场民用飞机在跑道入口的时刻TAS、离场民用飞机在跑道入口的时刻TDS和训练飞机在跑道入口的时刻TMS,共计3N个时刻。
S102:设置优化目标:使得限定时间区间内民用飞机的起降次数最多,同时训练飞机的训练时间的调整次数最少且调整范围最小。
根据优化目标确定优化目标函数,在本实施例中,优化目标同时有三个,分别为:
(1)在限定时间区间[0,T]内,进离场民用飞机数目最多:
max f1=J+K;J为该限定时间区间内进场民用飞机数量,K为该限定时间区间内离场民用飞机数量。进场民用飞机与离场民用飞机的数量要达到最多的优化标准。
(2)在限定时间区间[0,T]内,训练飞机的训练飞行时间调整次数最少:
其中TMK为一架训练飞机一次飞行训练时间,ti为第i次调整以后的训练飞机训练飞行时间,I为该飞机场内正在训练的训练飞机数量。所有训练飞机的飞行训练时间调整(时间增长或者缩短)的次数要达到最少的优化标准。
(3)在限定时间区间[0,T]内,训练飞机的训练飞行时间调整范围最小:
所有训练飞机的飞行训练时间调整(时间增长或者缩短)的范围之和要达到最小的优化标准。
由以上三个优化条件,则优化目标函数为:
max f=f1-α1f1-α2f2。
其中α1为训练飞机的训练飞行时间调整次数的权重,α2为训练飞机的训练飞行时间调整范围的权重。
S103:设置约束条件,所有训练飞机与民用飞机在进场或离场时,其中任意两架飞机到达跑道入口的时间间隔需满足预先设置的给定范围。具体如下:
(1)TMS(I)≤T,TAS(J)≤T,TDS(K)≤T,即所有飞机,包括训练飞机及民用飞机到达跑道入口的时间都限定在时间区间[0,T]内;
(2)TMS(1)=0
即时间区间[0,T1内,由训练飞机最先开始飞行;
(3)对1≤i≤I,ta≤ti≤tb
即训练飞机的飞行训练时间调整的次数和调整的范围设置有一定的限制;
即训练飞机与民用飞机进场航班在跑道入口的时间间隔大于给定值;
即训练飞机与民用飞机离场航班在跑道入口的时间间隔大于给定值;
即相继进场的民用飞机在跑道入口的时间间隔大于给定值;
即相继离场的民用飞机在跑道入口的时间间隔大于给定值;
即进场民用飞机在离场民用飞机之后,离场民用飞机与进场民用飞机之间的最小时间间隔大于TADh;
即进场民用飞机在离场民用飞机之前,离场民用飞机与进场民用飞机之间的最小时间间隔大于TADq;
即训练飞机在进场民用飞机之后,进场民用飞机与训练飞机之间的最小时间间隔大于TMDh;
即训练飞机在进场民用飞机之前,进场民用飞机与训练飞机之间的最小时间间隔大于TMDq。
即训练飞机在离场民用飞机之后,离场民用飞机与训练飞机之间的最小时间间隔大于TMDh;
即训练飞机在离场民用飞机之前,离场民用飞机与训练飞机之间的最小时间间隔大于TMDq。
S104:采用遗传算法进行迭代,在达到优化目标的同时需满足约束条件,获取最优解为限定时间区间内机场容量。
时间区间[0,T]内的初始时刻,训练飞机第一次在跑道入口的时刻为TMS(1)=0,训练飞机第i次训练飞行时间调整为ti,则训练飞机第i+1次训练飞行在跑道入口的时刻为:
第一架进场民用飞机在跑道入口的时刻为TAS(1),进场民用飞机之间的时间间隔为tAS(2),…,tAS(J),则第j+1架进场民航飞机在跑道入口的时刻为:
第一架离场民航飞机在跑道入口的时刻为TDS(1),离场民航飞机之间的时间间隔为tDS(2),…,tDS(K),则第k+1架离场民航飞机在跑道入口的时刻为:
S1031、设置遗传算法编码方法
基于飞机进离场的特点,采用实数编码方法,初始设进场飞机、离场飞机、训练飞机数均设定为N,可采用进场民用飞机在跑道入口的时刻TAS、离场民航飞机在跑道入口的时刻TDS和训练飞机在跑道入口的时刻TMS的排成一个序列来表示,该问题的染色体组合序列长度为3N,按照从早到晚到达跑道入口的时刻顺序,序列表示如下:
vn(·)=TMS (1)(1) …TAS (j)(n1) … TDS (k)(n2)…
S1032、设置适应度函数
因此,单位时间机场容量C为:
考虑到步骤S101中设置的优化目标函数,个体适应度可表示为:
feval(vn)=C-α1f1-α2f2
S1033、将gen=gen+1,进行遗传操作
S10331、设置交叉算子
在遗传进化前期,采用较大的固定交叉概率Pc,后期为加快收敛速度,交叉概率Pc按照如下公式进行自适应性调整:
其中k1,k2∈(0,1),即k1与k2取值为0到1之间的实数;avg(feval)为每代群体的平均适应度值,feval为要交叉个体的适应度值。
首先生成[0,1]区间内的随机实数rk(k=1,2,…,popsize),选择满足rk<Pc的个体vk,并对个体进行配对,随机生成要进行交叉的断点位置和区间范围,并进行交叉操作,交叉生成的新个体数记为cCnt,初始值为0,每一次交叉操作后,cCnt=cCnt+2,得到的新的个体分别定义为v′cCnt-1,v′cCnt。
S10332、设置变异算子
在遗传进化前期,采用较大的固定变异概率Pm,后期为加快收敛速度,变异概率Pm按照如下公式进行自适应性调整:
其中k3,k4∈(0,1),avg(feval)为每代群体的平均适应度值,feval为要变异个体的适应度值。
首先生成[0,1]区间内的随机实数rk(k=1,2,…,popsize),选择满足rk<Pm的个体vk,将个体中的每个点进行均匀变异操作,得到[0,T]中符合限制条件的随机序列,即每个变异点以变异概率Pm从原来的基因变为随机点,变异生成的新个体数用mCnt,初始值为0,每一次变异操作后,mCnt=mCnt+1,得到的新的个体为v′cCnt+mCnt。
对于适应度值小于平均适应度值的变异个体,说明该个体性能较差,就对它采用较大的交叉和变异概率;对于适应度值大于平均适应度值的变异个体,说明该个体性能优良,就根据其适应度值取得相应的交叉和变异概率。如果前期较优个体按照上述公式,则会几乎处于不变的状态,对初期进化不利,因此上述交叉概率与变异概率公式只在进化后期使用。
S10333、设置选择算子
由于选择、变异、交叉的操作的随机性,可能破坏掉当前群体中适应度最好的个体,这样会降低群体的平均适应度,对遗传算法的效率、收敛性都有不利的影响,所以为了将适应度最好的个体保留到下一代,保留精英,本实施例方法采用精英策略下的“截断+竞标赛”复合选择算子来进行优胜劣汰。具体来说,若父代个体vt(t=1,2,…,popsize)的适应度为feval(vt)和新生成的个体vt(t=popsize+1,…,popsize+cCnt+mCnt)的适应度为feval(vt),(其中popsize为父代群体的大小)那么其被选择的概率为:
截断阈值为pa,只有大于pa的个体才能被选择,保障其适应度值越高,被选择的概率越大。随机选择s个个体,然后选择适应度最高的个体作为父代个体,重复选择所需数目的父代个体,直至达到种群规模,并将迄今为止的最好个体不进行交叉配对而直接复制到后代中。
S10334、约束条件的处理
在使用遗传算法进行求解和优化的过程,不能保障新的解是合法的,一般都会遇到求解结果不满足约束条件的时候,就需要对非法解进行修补。
针对非法解,首先需要找到序列中不满足约束条件的时间,对它前后时间进行前移或者延后,使其满足安全的间隔。
对于最小时间安全间隔的限制,采用如下操作使其满足约束条件,例如序列部分形如:
假设第一个不满足约束条件的时间为0<TMS(ni)-TDS(ni-1)<TMDh,且
S10335、最优值比较
maxEval为当前适应度最优值;
若maxEval<max[feval(vk)],则v*=argmax[feval(vk)],则当前适应度最优值为:maxEval=max[feval(vk)]。
S10336、循环结束判断
若gen<maxgen,则返回步骤S1033;若gen≥maxgen,循环结束,输出对应的个体v*和当前适应度最优值maxEval,以及得到在时间区间[0,T]内机场容量为:
实施例2
进一步的,作为对上述实施例所示方法的实现,本发明另一实施例还提供了一种测算异构混合起降机场容量的装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。图1示出了本发明实施例提供的一种测算异构混合起降机场容量的装置的组成框图。如图1所示,在该实施例的装置中,具有以下模块:
1、获取初始序列模块:被配置为获取限定时间区间内机场内训练飞机的训练时间、民用飞机的起降时间;
2、优化目标模块:被配置为设置优化目标:使得所述限定时间区间内民用飞机的起降次数最多,同时训练飞机的训练时间的调整次数最少且调整范围最小;该模块对应于实施例1中的S102设置优化目标步骤。
3、约束条件模块:被配置为设置约束条件:所有训练飞机与民用飞机在进场或离场时,其中任意两架飞机到达跑道入口的时间间隔需满足预先设置的给定范围;该模块对应于实施例1中的S103设置约束条件步骤。
4、遗传算法迭代模块:被配置为在达到所述优化目标的同时需满足所述约束条件,获取最优解为所述限定时间区间内机场容量。该模块对应于实施例1中的S104采用遗传算法进行迭代步骤。
其中遗传算法迭代模块包括了编码子模块、设置适应度函数子模块、遗传迭代子模块。编码子模块对应于实施例1中的S1031设置遗传算法编码方法步骤;设置适应度函数子模块对应于实施例1中的S1032设置适应度函数步骤;遗传迭代子模块对应于实施例1中的S1033进行遗传操作步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
Claims (10)
1.一种测算异构混合起降机场容量的方法,其特征在于,包括如下步骤:
S101:获取限定时间区间内机场内训练飞机的训练时间、民航客机的起降时间;
S102:设置优化目标:使得所述限定时间区间内民航客机的起降次数最多,同时训练飞机的训练时间的调整次数最少且调整范围最小;
S103:设置约束条件,所述约束条件为所有训练飞机与民航客机在进场或离场时,其中任意两架飞机到达跑道入口的时间间隔需满足预先设置的给定范围;
S104:采用遗传算法进行迭代,在达到所述优化目标的同时需满足所述约束条件,获取最优解为所述限定时间区间内机场容量。
3.根据权利要求2所述的测算异构混合起降机场容量的方法,其特征在于,所述遗传算法包括步骤:
S1031,设置编码方法为实数编码,初始设进场民航客机、离场民航客机、训练飞机数均设定为N,可采用进场民航客机在跑道入口的时刻TAS、离场民航飞机在跑道入口的时刻TDS和训练飞机在跑道入口的时刻TMS的排成一个长度为3N的初始染色体组合序列来表示,按照从早到晚到达跑道入口的时刻顺序,所述初始染色体组合序列表示如下:
vn(·)=TMS (1)(1) … TAS (j)(n1) … TDS (k)(n2)…;
S1032,设置适应度函数,将排序好的所述初始染色体组合序列vn,后一个时刻减去前一个时刻,得到一组时间间隔数组
平均间隔时间:
单位时间机场容量C为:
根据所述优化目标,个体适应度为:
feval(vn)=C-α1f1-α2f2;
S1033,对所述初始染色体组合序列vn进行遗传操作,不断迭代直至预设终止迭代的代数maxgen,输出当前适应度最优值maxEval及其对应的染色体组合序列v*,以及在所述限定时间区间内机场容量CT为:
4.根据权利要求3所述的测算异构混合起降机场容量的方法,其特征在于,所述遗传操作包括:
S10331设置交叉算子,对个体进行配对,随机生成要进行交叉的断点位置和区间范围,并进行交叉操作,交叉生成新个体;
S10332设置变异算子,将每个变异点以变异概率Pm从原来的基因变为随机点,变异生成新个体;
S10333设置选择算子,采用精英策略下的“截断+竞标赛”复合选择算子来进行优胜劣汰;
S10334约束条件的处理,针对非法解,首先需要找到序列中不满足约束条件的时间,对它前后时间进行前移或者延后,使其满足安全的间隔;
S10335最优值比较,maxEval为当前适应度最优值maxEval;
若maxEval<max[feval(vk)],则v*=argmax[feval(vk)],则当前适应度最优值为:maxEval=max[feval(vk)];
S10336循环结束判断,若迭代次数小于所述预设终止迭代的代数maxgen则返回步骤S10331;若若迭代次数大于等于所述预设终止迭代的代数maxgen,循环结束,输出所述当前适应度最优值maxEval及其对应的染色体组合序列v*,以及在所述限定时间区间内机场容量CT。
7.根据权利要求1至6中任一项所述的测算异构混合起降机场容量的方法,其特征在于,所述约束条件具体设置为在所述限定时间区间内,同时满足:
由训练飞机最先开始飞行;
训练飞机的飞行训练时间调整的次数不超过限定范围[1,I],调整的范围不超过限定范围[ta,tb];
训练飞机与民航客机进场航班在跑道入口的时间间隔大于给定值TMA;
训练飞机与民航客机离场航班在跑道入口的时间间隔大于给定值TMD;
相继进场的民航客机在跑道入口的时间间隔大于给定值TAA;
相继离场的民航客机在跑道入口的时间间隔大于给定值TDD;
进场民航客机在离场民航客机之后,离场民航客机与进场民航客机之间的最小时间间隔大于TADh;
进场民航客机在离场民航客机之前,离场民航客机与进场民航客机之间的最小时间间隔大于TADq;
训练飞机在进场民航客机之后,进场民航客机与训练飞机之间的最小时间间隔大于TMDh;
训练飞机在进场民航客机之前,进场民航客机与训练飞机之间的最小时间间隔大于TMDq。
8.一种测算异构混合起降机场容量的装置,其特征在于,包括如下模块:
获取初始序列模块:被配置为获取限定时间区间内机场内训练飞机的训练时间、民航客机的起降时间;
优化目标模块,被配置为设置优化目标:使得所述限定时间区间内民航客机的起降次数最多,同时训练飞机的训练时间的调整次数最少且调整范围最小;
约束条件模块,被配置为设置约束条件:所有训练飞机与民航客机在进场或离场时,其中任意两架飞机到达跑道入口的时间间隔需满足预先设置的给定范围;
遗传算法迭代模块,被配置为在达到所述优化目标的同时需满足所述约束条件,获取最优解为所述限定时间区间内机场容量。
10.根据权利要求9所述的测算异构混合起降机场容量的装置,其特征在于,所述遗传算法迭代模块包括子模块:
编码子模块:设置编码方法为实数编码,初始设进场民航客机、离场民航客机、训练飞机数均设定为N,可采用进场民航客机在跑道入口的时刻TAS、离场民航飞机在跑道入口的时刻TDS和训练飞机在跑道入口的时刻TMS的排成一个长度为3N的初始染色体组合序列来表示,按照从早到晚到达跑道入口的时刻顺序,所述初始染色体组合序列表示如下:
vn(·)=TMS (1)(1) … TAS (j)(n1) … TDS (k)(n2)…;
设置适应度函数子模块:被配置为将排序好的所述初始染色体组合序列vn,后一个时刻减去前一个时刻,得到一组时间间隔数组
平均间隔时间:
单位时间机场容量C为:
根据所述优化目标,个体适应度为:
feval(vn)=C-α1f1-α2f2
遗传迭代子模块:被配置为对所述初始染色体组合序列vn进行遗传操作,不断迭代直至预设终止迭代的代数maxgen,输出当前适应度最优值maxEval及其对应的染色体组合序列v*,以及在所述限定时间区间内机场容量CT为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707461.2A CN113344285B (zh) | 2021-06-24 | 2021-06-24 | 一种测算异构混合起降机场容量的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707461.2A CN113344285B (zh) | 2021-06-24 | 2021-06-24 | 一种测算异构混合起降机场容量的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344285A true CN113344285A (zh) | 2021-09-03 |
CN113344285B CN113344285B (zh) | 2022-03-15 |
Family
ID=77478596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110707461.2A Active CN113344285B (zh) | 2021-06-24 | 2021-06-24 | 一种测算异构混合起降机场容量的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344285B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120173131A1 (en) * | 2011-01-05 | 2012-07-05 | Metron Aviation, Inc. | Airport Demand Management Method |
CN102930342A (zh) * | 2012-09-10 | 2013-02-13 | 南京航空航天大学 | 一种多跑道进离场航班时隙协同分配的多目标优化方法 |
CN106066906A (zh) * | 2016-05-26 | 2016-11-02 | 中国民航大学 | 一种基于随机模拟的平行跑道容量计算方法 |
CN107016462A (zh) * | 2017-04-05 | 2017-08-04 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
CN107067823A (zh) * | 2017-02-28 | 2017-08-18 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种近距平行跑道容量的计算方法和装置 |
CN107392355A (zh) * | 2017-06-27 | 2017-11-24 | 北京航空航天大学 | 一种基于差分进化算法的多机场协同调度鲁棒优化方法 |
US10037704B1 (en) * | 2017-02-01 | 2018-07-31 | David Myr | Automatic real-time air traffic control system and method for maximizing landings / takeoffs capacity of the airport and minimizing aircrafts landing times |
CN109902924A (zh) * | 2019-01-22 | 2019-06-18 | 中国人民解放军空军工程大学 | 一种军用机场单跑道训练容量评估方法 |
-
2021
- 2021-06-24 CN CN202110707461.2A patent/CN113344285B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120173131A1 (en) * | 2011-01-05 | 2012-07-05 | Metron Aviation, Inc. | Airport Demand Management Method |
CN102930342A (zh) * | 2012-09-10 | 2013-02-13 | 南京航空航天大学 | 一种多跑道进离场航班时隙协同分配的多目标优化方法 |
CN106066906A (zh) * | 2016-05-26 | 2016-11-02 | 中国民航大学 | 一种基于随机模拟的平行跑道容量计算方法 |
US10037704B1 (en) * | 2017-02-01 | 2018-07-31 | David Myr | Automatic real-time air traffic control system and method for maximizing landings / takeoffs capacity of the airport and minimizing aircrafts landing times |
CN107067823A (zh) * | 2017-02-28 | 2017-08-18 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种近距平行跑道容量的计算方法和装置 |
CN107016462A (zh) * | 2017-04-05 | 2017-08-04 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
CN107392355A (zh) * | 2017-06-27 | 2017-11-24 | 北京航空航天大学 | 一种基于差分进化算法的多机场协同调度鲁棒优化方法 |
CN109902924A (zh) * | 2019-01-22 | 2019-06-18 | 中国人民解放军空军工程大学 | 一种军用机场单跑道训练容量评估方法 |
Non-Patent Citations (2)
Title |
---|
GANG LIU等: ""Research on the assignment of ground support tasks for civil aviation airport"", 《CHINESE CONTROL AND DECISION CONFERENCE》 * |
王莉莉等: ""基于容流匹配的进离场航班调度优化模型和算法"", 《南京航空航天大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344285B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584638B (zh) | 一种面向区域网络的先期航班时刻协同优化方法 | |
CN104751681B (zh) | 一种基于统计学习模型的停机位分配方法 | |
CN102780581B (zh) | 一种基于随机型网络演算的afdx端端时延上界计算方法 | |
CN109726917B (zh) | 一种基于四维航迹的货运航班调度方法和装置 | |
CN110516871B (zh) | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 | |
CN110928357A (zh) | 一种时变阴影情况下光伏阵列的最大功率点跟踪方法 | |
CN113643571A (zh) | 一种基于航班正常性目标的空域网络优化方法 | |
CN111783357A (zh) | 一种基于减少旅客延误的中转行程优化方法及系统 | |
CN115115097A (zh) | 一种机场停机位与航空器滑行路径的联合优化方法 | |
CN115544873A (zh) | 个性化联邦学习的训练效率与个性化效果量化评估方法 | |
CN113344285B (zh) | 一种测算异构混合起降机场容量的方法及装置 | |
CN111047917B (zh) | 一种基于改进dqn算法的航班着陆调度方法 | |
CN114693190B (zh) | 一种基于gpu算力调度的航班效率提升系统 | |
CN113409619B (zh) | 一种基于元胞自动机的航班调度方法、系统及存储介质 | |
CN1768361A (zh) | 着陆飞行器排序方法 | |
CN110060514A (zh) | 航班调度方法和装置 | |
CN110909946B (zh) | 一种基于公路换乘的航班计划优化方法 | |
Hu et al. | Research on Flight Delay Prediction Based on Random Forest | |
Hao et al. | Bi‑level Programming Model for Joint Scheduling of Arrival and Departure Flights Based on Traffic Scenario. | |
CN108630020B (zh) | 一种空域流量调配方法 | |
Wang et al. | Poster: Maintaining training efficiency and accuracy for edge-assisted online federated learning with abs | |
Chen et al. | A multi-objective crossing waypoints location optimization in air route network | |
Changxin et al. | UAV Electric Patrol Path Planning Based on Improved Ant Colony Optimization-A* Algorithm | |
Zhang et al. | Dynamic Optimal Scheduling Model of Multi Runway Flight Arrival and Departure Based on Improved Genetic Algorithm | |
Lu et al. | Research on the Problem of Sorting Parallel Runway Aircraft in Terminal Area Based on Genetic Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |